딥러닝(DL) 기반 자동 수면 단계 분류 접근법은 뛰어난 정확도 덕분에 최근 큰 주목을 받고 있다. 그러나 시험 단계에서는, 서로 다른 시험 환경에 적용할 때 성능이 저하될 가능성이 있는데, 이는 도메인 쉬프트(domain shift) 문제 때문이다. 그 이유는, 사전 학습된 모델이 일반적으로 정확한 의료 장비에서 획득한 잡음이 없는 뇌파(EEG) 신호로 학습되는 반면, 실제 배치는 바람직하지 않은 잡음이 포함된 소비자 수준의 기기에서 이루어지기 때문이다. 이러한 과제를 완화하기 위해, 본 연구에서는 예측되지 않은 임의의 잡음에 대해 견고한 효율적 학습 접근법을 제안한다. 구체적으로, 보조 모델에서 적대적 변환(adversarial transformation)을 통해 최악의 입력 교란을 생성하여 다양한 입력 교란에 대한 학습을 수행함으로써 신뢰성을 향상시키고자 한다. 우리의 접근법은 두 개의 분리된 학습 모델에 기반한다: (i) 적대적 잡음을 생성하기 위한 보조 모델과 (ii) 잡음 신호를 반영하여 견고성을 향상시키기 위한 목표 네트워크(target network)이다. 또한, 목표 네트워크의 학습 과정에서 수업(클래스)별 견고성(class-wise robustness)이라는 새로운 개념을 활용하여 각 수면 단계가 갖는 서로 다른 견고성 패턴을 나타낸다. 실험 결과, 본 접근법은 경쟁 방법들에 비해 중등도에서 중증 수준의 잡음이 존재하는 상황에서 건강한 대조군에 대한 수면 단계 분류 성능을 향상시켰다. 또한 본 접근법은 적대적(adversarial) 잡음, 가우시안(Gaussian) 잡음, 샷(shot) 잡음을 포함한 다양한 유형의 잡음을 처리하도록 DL 모델을 효과적으로 학습시키고 배치할 수 있었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.